Análisis Numérico PLANTEAMIENTO DEL PROBLEMA. Un modelo teórico matemático para la velocidad de un paracaidista es (ecuación 1.10): V(t) = g*m c (1– e (-c/m)t ) Donde V = velocidad (m/s), g = constante gravitacional (9.8 m / s 2), m = masa del paracaidista igual a 68.1 kg y c = coeficiente de arrastre de 12.5 kg/s. Este modelo predice la velocidad del paracaidista en función del tiempo. Un modelo empírico alternativo para la velocidad del paracaidista está dado por (ecuación 17.3.1): V(t) = g*m c ( t 3.75 + t ) Suponga que usted quiere probar y comparar la veracidad de esos dos modelos matemáticos. Esto se podría hacer al medir la velocidad real del paracaidista con valores conocidos de tiempo y al comparar estos resultados con las velocidades predichas de acuerdo con cada modelo. Tabla 17.2. Velocidades medidas y calculadas para la caída del paracaidista. Tiempo (seg) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 V medida (m / s) 10.0 16.3 23.0 27.5 31.0 35.6 39.0 41.5 42.9 45.0 46.0 45.5 46.0 49.0 50.0 V calc modelo 1 (m / s) 8.953 16.405 22.607 27.769 32.065 35.641 38.617 41.095 43.156 44.872 46.301 47.49 48.479 49.303 49.988 V calc modelo 2 (m / s) 11.24 18.57 23.729 27.556 30.509 32.855 34.766 36.351 37.687 38.829 39.816 40.678 41.437 42.11 42.712 Solución. La veracidad de los modelos se prueba al graficar la velocidad calculada por cada modelo contra la velocidad medida. Se puede usar la regresión lineal para calcular la pendiente y la intersección con el eje “y” de la gráfica. La mejor recta de regresión tendrá una pendiente de 1, una intersección de 0 y r2 = 1. Y una recta así es la que concuerda perfectamente con los datos. Una desviación significativa de estos valores sirve como una indicación de lo inadecuado del modelo. Para el primer modelo tomamos los valores de la velocidad medida como los valores del eje X y los valores de la velocidad calculada con el modelo 1 como los valores del eje Y. Utilizando nuestro programa de regresión lineal nos da la siguiente recta de regresión: Universidad del Cauca 1 Análisis Numérico Y = -0.858716 + 1.031591 X o con 3 dígitos: Y = -0.859 + 1.032 X Que se puede re-escribir: Vmodelo = -0.859 + 1.032 Vmedida (Recta de Regresión 1) Pendiente: 1.032 El programa arroja también los siguientes datos: Error estándar de aproximación (Sy/x) = 0.8634 Coeficiente de determinación (r2) = 0.99578 Para el segundo modelo tomamos los valores de la velocidad medida como los valores del eje X y los valores de la velocidad calculada con el modelo 2 como los valores del eje Y. Utilizando nuestro programa de regresión lineal nos da la siguiente recta de regresión: Y = 5.775860 + 0.751791 X o con 3 dígitos: Y = 5.776 + 0.752 X Que se puede re-escribir: Vmodelo = 5.776 + 0.752 Vmedida (Recta de Regresión 2) Pendiente: 0.752 El programa arroja también los siguientes datos: Error estándar de aproximación (Sy/x) = 0.9667 Coeficiente de determinación (r2) = 0.99009 Las rectas de regresión que hemos obtenido, presentan los siguientes valores: V medida (m / s) 10,0 16,3 23,0 27,5 31,0 35,6 39,0 41,5 42,9 45,0 46,0 45,5 46,0 49,0 50,0 recta regresion 1 recta regresion 2 9,461 15,9626 22,877 27,521 31,133 35,8802 39,389 41,969 43,4138 45,581 46,613 46,097 46,613 49,709 50,741 13,296 18,0336 23,072 26,456 29,088 32,5472 35,104 36,984 38,0368 39,616 40,368 39,992 40,368 42,624 43,376 Las gráficas que se presentan a continuación indican que la regresión lineal entre los datos y cada uno de los modelos es altamente significativa. Ambos modelos ajustan los datos con un coeficiente de correlación ( r ) superior a 0.99. Universidad del Cauca 2 Análisis Numérico 60 50 40 V medida (X) / V calculada modelo 1 30 Recta de regresión 1 20 10 0 0,0 10,0 20,0 30,0 40,0 50,0 60,0 50 45 40 35 30 V medida (X) / V calculada modelo 2 25 Recta de Regresión 2 20 15 10 5 0 0,0 10,0 20,0 30,0 40,0 50,0 60,0 Sin embargo, el modelo descrito por la ecuación 1.10 se ajusta mejor al criterio de prueba de hipótesis que el descrito por la ecuación 17.3.1, ya que la pendiente y la intersección con el eje “y” son más cercanos a 1 y 0. Así, aunque cada gráfica queda bien descrita por una línea recta, la ecuación 1.10 parece ser un mejor modelo que la ecuación 17.3.1. Además puede observarse que el error estándar de aproximación de la recta de regresión 1 es de 0.8634 mientras que el de la segunda es de 0.9667 (claramente mayor). Conclusión: Puede que haya más de una regresión que ajuste los datos con un coeficiente de correlación muy alto, en ese caso, para evaluar cuál es la mejor debemos observar cuál de ellos tiene un menor error estándar de aproximación y que la recta que obtenemos tenga una pendiente cercana a 1 y la intersección en “y” cercana a cero. -----------------------------------FIN DEL DOCUMENTO Universidad del Cauca 3